Neue Funktionen für Entwickler-Datenplattform MongoDB Atlas

Einbindung von generativer KI und semantischer Suche in Applikationen

MongoDB Atlas Vector Searchermöglicht die Suche mit generativer KI in Anwendungen. Generative KI bedeutet einen Paradigmenwechel in der Nutzerinteraktion. Ihre Integration ist jedoch oft noch eine Herausforderung, denn viele bestehende Datenlösungen sind nicht flexibel genug, um verschiedene Datentypen zu speichern und zu verarbeiten. Auf generativer KI basierende Technologien wie Large Language Models arbeiten mit Vektoren, die in speziellen Datenbanken gespeichert werden. Solche „Nischendatenbanken“ für einzelne Anwendungsfälle müssen Unternehmen häufig mit hohem Aufwand in die bestehende Datenarchitektur integrieren. Das flexible und skalierbare Dokumentenmodell von MongoDB unterstützt dagegen praktisch alle Datentypen. Vector Search beschleunigt die Entwicklung, indem Workloads wie Text- und Bildsuche, Bildvergleiche oder personalisierte Produktempfehlungen auf einer einheitlichen Plattform ausgeführt werden können. Ebenso können Kunden die Fähigkeiten von vortrainierten generativen KI-Modellen einfach und sicher mit ihren eigenen Daten erweitern. Vector Search unterstützt so kontextbezogenes Lernen für genauere und relevantere Ergebnisse, ohne dass unternehmenseigene Daten mit Anbietern geteilt werden müssen. Weitere

Isolieren und Skalieren von Search Workloads

Aktuell nutzen Kunden MongoDB Atlas Search, um Suchfunktionen wie z.B. personalisierte Empfehlungen, Produktkatalog- oder Inhaltssuchen, Multimedia-Management und Geodatenanwendungen unkompliziert in Anwendungen zu integrieren. Kunden, die ihre Suchanforderungen mit MongoDB Atlas Search skaliert haben, baten jedoch zusätzlich um die Möglichkeit diese unabhängig von der verwendeten Datenbank ausführen zu können. MongoDB Atlas Search Nodes trägt diesem Wunsch Rechnung. Zusätzlich wird die Isolierung von Workloads, die Optimierung von Ressourcen und eine bessere Leistung bei der Skalierung ermöglicht. Dank größerer Flexibilität und Kontrolle wird Endnutzern eine hervorragende, relevanzbasierte und KI-gestützte Sucherfahrung geboten.

Komplexe Streaming-Daten in Echtzeit verarbeiten

Echtzeit-Streaming-Daten, wie sie z.B. von IoT-Geräten gesammelt werden, sind für moderne Anwendungen von entscheidender Bedeutung. Unternehmen können so auf Veränderungen im Nutzerverhalten reagieren oder Abläufe optimieren, wenn sich Bedingungen ändern. Um Streaming-Daten in Anwendungen einzubinden, müssen viele Entwicklerteams heute jedoch spezielle Programmiersprachen, Bibliotheken, APIs und Treiber verwenden. Das führt zu einem komplexen und fragmentierten Entwicklungsprozess, längeren Entwicklungszyklen, höheren Kosten und kann in letzter Konsequenz Innovations- und Wettbewerbsfähigkeit gefährden. Mit MongoDB Atlas Stream Processing steht Kunden jetzt eine einheitliche Schnittstelle für die Verarbeitung von Streaming-Daten zur Verfügung. MongoDB Atlas Stream Processing ermöglicht die Echtzeitanalyse jeder Art von Daten. Hoch personalisierte Werbeangebote, Bestandsmanagement in Echtzeit oder Betrugsprävention sind nur einige der möglichen Anwendungsfälle. Das flexible Datenmodell von MongoDB lässt sich leicht an geänderte Anforderungen anpassen.

Flexibel skalieren mit Time Series Collections

Zeitreihen-Workloads können schnell wachsen, wenn Millionen von Geräten Daten zur Verarbeitung an eine Datenbank senden. Sind die Daten eingelesen, lassen Zeitreihendatenbanken in der Regel keine Änderungen an diesen Daten mehr zu – fehlerhafte Daten führen folglich auch zu fehlerhaften Analysen. Die MongoDB Time Series Collections warten nicht nur mit hoher Skalierbarkeit auf, sondern ermöglichen auch Aktualisierungen und Löschungen von Zeitreihendaten. Diese neuen Funktionen sorgen für mehr Effizienz bei der Verarbeitung von Zeitreihen-Workloads und helfen Kunden gleichzeitig, strenge Data-Governance-Anforderungen zu erfüllen.

Daten auf Microsoft Azure Blob Storage abfragen

MongoDB Atlas Data Federation kann jetzt auch in Microsoft Azure gehostet werden und auf in Microsoft Azure Blob Storage gespeicherte Daten zugreifen. Kunden nutzen Atlas Data Federation bislang für den Zugriff auf Daten an unterschiedlichen Speicherorten oder die Abfrage, Transformation und Aggregation von Daten aus einer oder mehreren MongoDB Atlas Datenbanken und Cloud-Speichern wie Amazon S3. Nutzer wünschten sich jedoch vielfach, Daten aus noch mehr Quellen abfragen oder ihre Workloads bei ihrem bevorzugten Cloud-Anbieter isoliert halten zu können. Durch die Unterstützung von Microsoft Azure und Microsoft Azure Blob Storage reduziert MongoDB Atlas Data Federation jetzt den Zeit- und Arbeitsaufwand für die Erstellung präzisierter Datensätze, die Echtzeitanwendungen unterstützen und nachgelagerte Analysen unter Verwendung einer größeren Anzahl von Datenquellen ermöglichen. Zudem können Kunden, die MongoDB Atlas bevorzugen und ihre Workloads in Microsoft Azure behalten möchten, das jetzt noch einfacher tun.